Vol.125｜世界模型更底层的东西：为什么机器人要先学会「因果」

摘要

探討具身智慧領域的「因果大模型」，指出傳統堆資料的 Scaling Law 僅能捕捉相關性，而因果大模型能從資料中挖掘更深層的因果關係，讓機器人大腦真正學會舉一反三。節目邀請 Aether AI 創辦人黃碧薇分享其學術背景及因果大模型在物理 AI 中的應用，並討論了從相關性到因果性的轉變如何推動下一代 AI 範式的發展。

This podcast explores the 'causal large model' in embodied AI, arguing that traditional data stacking via Scaling Law only captures correlations, whereas causal models extract deeper insights to enable machines to generalize. Guest Biwei Huang shares her academic background and the application of a…

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 因果大模型能從資料中挖掘比相關性更深的因果關係，讓機器人大腦學會舉一反三。
• 具身智慧需要從單純堆資料轉向理解物理世界的因果結構，以實現真正的泛化與泛化能力。
• 黃碧薇分享因果大模型在物理 AI 中的應用，並探討了從相關性到因果性的轉變如何推動下一代 AI 範式的發展。

章節

依話題轉折切分，標題由 AI 產生

1. 00:00因果大模型：具身智慧的底層範式
2. 06:31世界模型與因果模型的本質區別
3. 09:42僅靠相關性無法實現具身智慧
4. 16:00引入物理規律與因果結構
5. 25:43早期訓練階段的高層指導策略
6. 29:06統計方法與因果挖掘的融合
7. 37:02深層資訊挖掘與模型潛力釋放
8. 40:13LLM 的侷限：為何需要因果理解
9. 43:46因果認知的驗證：具身智慧的關鍵
10. 49:00大模型規模背後的核心原因
11. 57:10從學術到創業：因果智慧的願景
12. 1:00:17算力、資料與人才的分配策略
13. 1:04:56模擬資料在因果世界模型中的價值
14. 1:08:12新範式的機遇：打破既有共識

提到的工具與公司

• CMU

適合誰看

對具身智慧、因果 AI 及下一代 AI 範式的發展感興趣的技術與商業人士。

摘要依據

依據

語音轉文字

為什麼排在這裡

人氣

0.35

新鮮

0.70

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• 【十字路口】哪条路线，才能通往「世界模型」的终局？｜对话黄碧薇：Aether AI 创始人【视频播客】影片 ・ Koji杨远骋 ・ 50 分鐘
• 【十字路口】“我看到了 Scaling Law 的信号" | 对谈清华叉院助理教授徐梦迪：具身智能、世界模型、真正的泛化【视频播客】影片 ・ Koji杨远骋 ・ 1 小時 21 分
• EP 55. 对话UCSD副教授苏昊：从学术到创业，深度解读具身智能的实现路径Podcast ・ OnBoard! ・ 1 小時 48 分
• EP 44.【AI年终特辑3】具身智能深度对话：从学术到产业，机器人的ChatGPT时刻来了吗？Podcast ・ OnBoard! ・ 1 小時 51 分（在新分頁開啟原站）
• Why The Next AI Breakthroughs Will Be In Reasoning, Not ScalingPodcast ・ Lightcone Podcast ・ 35 分鐘（在新分頁開啟原站）
• 77.有关智元、觅蜂的愿景与野心，和具身智能的竞速之旅｜与姚卯青的对谈Podcast ・ 卫诗婕｜漫谈 Light the Star ・ 2 小時 59 分（在新分頁開啟原站）